Professional Documents
Culture Documents
EN LOS
GENERADORES CENTRALES DE PATRONES
i
en los que el sistema genera el mismo ritmo, con la misma secuencia de disparo, pero en el
que cambia la frecuencia de disparo o la relación de fase entre las ráfagas de potenciales de
acción de cada neurona. Estos casos indican que las firmas neuronales individuales pueden
codificar cierta información de control para el CPG ante la llegada de ciertos estı́mulos.
Por ejemplo, se sabe que el ritmo generado por el CPG pilórico es diferente dependiendo
de la temperatura o la textura de la comida, aunque se mantenga la secuencia de disparo.
Los resultados de las simulaciones que presentamos aquı́ y las caracterı́sticas de la
actividad registrada en el CPG biológico, apoyan la hipótesis de que las firmas forman parte
de un código múltiple para el intercambio de información neuronal. Las firmas permitirı́an
al receptor identificar quién es el emisor del mensaje y procesar la información restante
en función de este reconocimiento. Ası́, una neurona podrı́a reaccionar de forma altamente
selectiva a la señal recibida de otras. Esta hipótesis debe validarse en el laboratorio. En
caso afirmativo, este mecanismo definirı́a un nuevo paradigma de comunicación neuronal
basado en el reconocimiento de firmas. Si el sistema nervioso dispone de mecanismos para
el reconocimiento de las firmas, supondrı́a que tiene una capacidad de codificar información
muy superior a lo que se pensaba hasta el momento. Aún basándose en una codificación
temporal, este código serı́a distinto de los códigos temporales estudiados hasta el momento,
ya que no se ha tenido en cuenta que una neurona pueda identificar el origen de su entrada
sináptica para utilizarla en el procesamiento de la información.
Este estudio también resulta de especial interés para el diseño de nuevos paradigmas
de redes neuronales artificiales. En el contexto de las redes neuronales artificiales, no se
ha explorado con detalle el potencial de la codificación temporal de la información, ni la
utilización del reconocimiento del origen de una señal. Nuestro estudio sugiere la aplicación
de los mecanismos de generación y reconocimiento de firmas para el diseño de nuevos
algoritmos de redes neuronales artificiales y algoritmos de aprendizaje.
Índice general
1. Introducción 1
2. Conceptos biológicos 5
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. El sistema nervioso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1. Función del sistema nervioso . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2. La neurona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.3. Potencial de membrana . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.4. Comunicación entre neuronas, el impulso nervioso . . . . . . . . . . 7
2.2.5. Comportamiento neuronal . . . . . . . . . . . . . . . . . . . . . . . 9
2.3. Codificación neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4. Tipos de movimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5. Movimientos rı́tmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6. Generadores Centrales de Patrones, CPGs . . . . . . . . . . . . . . . . . . 11
3. El ganglio estomatogástrico 13
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2. El sistema estomatogástrico . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3. Esquema neuronal del STG . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.1. Neuronas del STG . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.2. Sinapsis graduales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4. El CPG gástrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5. El CPG pilórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.6. Interacción entre el CPG gástrico y el pilórico . . . . . . . . . . . . . . . . 18
iii
4.2. Firmas neuronales individuales . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3. Origen de las firmas neuronales . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3.1. Modelos de neurona y de red . . . . . . . . . . . . . . . . . . . . . . 22
Modelos neuronales individuales . . . . . . . . . . . . . . . . . . . . 22
Modelos de red del CPG pilórico . . . . . . . . . . . . . . . . . . . 23
Modelos de sinapsis . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2. Comportamiento de las neuronas individuales . . . . . . . . . . . . 25
4.3.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.4. Efecto de la firma en el comportamiento del CPG . . . . . . . . . . . . . . 29
4.4.1. Efecto de las firmas en el ritmo generado por el CPG . . . . . . . . 29
Modelos de neurona y de red . . . . . . . . . . . . . . . . . . . . . . 30
Medida de información neuronal . . . . . . . . . . . . . . . . . . . . 30
Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4.2. Importancia de la firma en la correcta generación de ritmos . . . . . 34
Modelos de redes y de neuronas . . . . . . . . . . . . . . . . . . . . 34
Dinámicas libres y forzadas . . . . . . . . . . . . . . . . . . . . . . 35
4.4.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.6. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.7. Apéndice A: Modelos neuronales . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7.1. Modelo de Komendantov-Kononenko . . . . . . . . . . . . . . . . . 42
4.7.2. Modelo de Hindmarsh-Rose . . . . . . . . . . . . . . . . . . . . . . 44
4.7.3. Modelo de Huerta et al. . . . . . . . . . . . . . . . . . . . . . . . . 45
4.8. Apéndice B: Modelos de sinápsis . . . . . . . . . . . . . . . . . . . . . . . . 46
Capı́tulo 1
Introducción
1
2 Introducción
Figura 1.1: Izquierda, ejemplo de robot [Barnes, 1998, Fukuoka et al., 2003] en el que el movimiento de las
patas está controlado por un CPG artificial inspirado en los que controlan el movimiento de las patas del
bicho palo (Phasmidia) (imagen derecha).
fı́sicos, normalmente denominados plantas, que (i) se deben optimizar para conseguir un
objetivo final, (ii) deben ser robustos ante posibles fallos y/o (iii) deben pasar rápidamente
de un estado a otro en función de ciertos parámetros [Huerta et al., 2000]. La planta se
modelará con un CPG y se realizará una búsqueda en el espacio de posibles conexiones
entre sus neuronas para encontrar aquellas que maximicen las prestaciones deseadas. Este
tipo de modelos se denominan modelos neuromecánicos.
Pero además de estas aplicaciones inmediatas, el estudio de la dinámica rápida de
sus neuronas puede servir para descubrir un nuevo paradigma de codificación temporal
de la información neuronal. En él, el procesamiento de la información se basarı́a en el
reconocimiento del emisor del mensaje en función de su firma. Hasta el momento no se
habı́a tenido en cuenta este tipo de mecanismos en la comunicación neuronal. Las neuronas
del CPG pilórico presentan un comportamiento muy común en otros sistemas neuronales,
lo que permite que las conclusiones obtenidas aquı́ se puedan extrapolar a estos sistemas.
En particular, es de especial interés el caso de las redes neuronales artificiales en las que
muy pocas aproximaciones se basan en una codificación temporal de la información.
Sin contar esta breve introducción, este documento se divide en tres capı́tulos:
intrı́nsecas como extrı́nsecas, que se establecen entre ellas. Además, se describen los
ritmos generados por ambos CPGs y las acciones que controla cada uno de ellos.
Por último, en el capı́tulo 4 se presenta nuestro estudio del CPG pilórico. Vamos a
estudiar las firmas neuronales individuales descubiertas en sus neuronas. Por ello,
lo primero que se va a hacer es explicar qué son y las razones que hacen que sean
interesantes de estudiar. Nuestro estudio se va a basar en la realización de simulaciones
de diferentes modelos de CPG y en el análisis de los datos obtenidos en ellas. En este
capı́tulo se van a presentar las ecuaciones matemáticas que describen estos modelos,
tanto funcionales como morfológicos, ası́ como los técnicas usadas en el análisis de los
datos generados. Los resultados obtenidos nos van a permitir realizar algunas hipótesis
sobre el origen y significado de las firmas neuronales. Por último, se va a indicar cuáles
van a ser nuestras lı́neas de trabajo futuro en dos campos de investigación. Por un
lado, continuando el estudio de las firmas neuronales en sistemas biológicos. Por otro,
intentando aplicarlas en el diseño de redes neuronales artificiales.
Capı́tulo 2
Conceptos biológicos
En este capı́tulo se van a explicar brevemente los conceptos biológicos en los que se
basan los modelos neuronales. Se va a identificar los componentes fundamentales del sis-
tema nervioso, explicando cuál es la función que desempeñan. Además, se describen los
mecanismos que permiten el flujo de información nerviosa. Estos mecanismos son los que,
formalizados matemáticamente, se utilizan para establecer las conexiones entre neuronas a
la hora de construir un modelo.
2.1. Introducción
Una de las grandes preguntas sin respuesta de la ciencia es cómo funciona el cerebro o,
más concretamente, cómo lo hace el sistema nervioso al que pertenece. Hasta hace relati-
vamente poco tiempo no se podı́a realizar estudios detallados en este campo. Sin embargo,
gracias a las mejoras de las técnicas de investigación, se ha identificado los elementos que
lo forman y los mecanismos que les permiten realizar eficientemente su misión. Al igual
que cualquier sistema biológico, el sistema nervioso está formado por células. Estas células
tienen la capacidad de comunicarse entre si mediante la transmisión de una señal eléctrica
que contiene la información nerviosa. El sistema nervioso es capaz de generar información,
bien por si sólo, bien identificando estı́mulos procedentes del exterior, procesarla y dar una
respuesta coherente a la entrada que ha recibido.
5
6 Conceptos biológicos
Figura 2.1: Fotografı́a de una neurona. En ella se ve el soma o cuerpo, el axón y las dendritas. Las
conexiones, sinapsis, normalmente se establecen entre el axón de una célula y las dendritas de otra.
2.2.2. La neurona
En el siglo XIX Santiago Ramón y Cajal propuso que el sistema nervioso animal estaba
constituido por células. Estas células se denominan neuronas y presentan un alto grado de
especialización. Morfológicamente hablando, constan de tres partes: el soma, el axón y las
dendritas (Figura 2.1). El soma es el cuerpo celular de la neurona. Presenta los mismos
orgánulos que el centro metabólico de cualquier otra célula (núcleo, mitocondrias, etc). Las
dendritas son pequeñas ramificaciones que salen del soma formando los denominados árboles
dendrı́ticos. Su misión fundamental es recibir información de los receptores sensoriales o
de otras neuronas. Sin embargo, se ha descubierto que algunas también pueden transmitir
información hacia el exterior de la célula. Por su parte, el axón es una larga prolongación del
soma que, generalmente, ocupa la posición contraria a las dendritas. Al contrario que éstas,
sólo presenta ramificaciones en su terminación, cerca de otras neuronas. Estas ramificaciones
constituyen los terminales presinápticos, estructuras especializadas en la transmisión de
información. La misión del axón es transmitir información a otras neuronas o a los órganos
efectores.
Existen muchos tipos diferentes de neurona que pueden clasificarse mediante distin-
tos criterios. La clasificación más frecuente es la que tiene en cuenta el esquema de fun-
cionamiento básico descrito anteriormente. Siguiendo este criterio se pueden diferenciar
tres tipos de neurona: las sensoriales, las interneuronas y las motoneuronas. Las neuronas
sensoriales son las encargadas de recibir los estı́mulos y transformar la energı́a fı́sica de
éstos en impulsos nerviosos (energı́a eléctrica). Las interneuronas propagan estos impulsos
nerviosos entre distintas neuronas. Los reciben de sus neuronas presinápticas y despolarizan
o hiperpolarizan a sus neuronas postsinápticas, tal y como se verá en el siguiente apartado.
Y, por último, las motoneuronas reciben información de las neuronas sensoriales o de las
interneuronas e inervan de forma directa a los órganos efectores.
2.2. EL SISTEMA NERVIOSO 7
Potencial
mV de accion
estimulo
Figura 2.2: Panel izquierdo. Mecanismo que provoca la generación de un potencial de acción o spike en
una neurona al recibir un estı́mulo excitador. Inicialmente la neurona está en reposo (fase 1). Cuando el
estı́mulo alcanza el potencial umbral, se abren los canales de sodio [Hodgkin and Huxley, 1952]. La entrada
de N a+ provoca que la membrana se despolarice, cargándose negativamente las zonas adyacentes. En este
punto se genera el potencial de acción. Después de esto, los canales de sodio se cierran y se abren los de
potasio [Hodgkin and Huxley, 1952], lo que conlleva una hiperpolarización debida a la salida de K + (fase 3).
Esto se produce hasta el momento en el que se reestablece la bomba sodio-potasio restaurando el potencial
de reposo (fase 4). Durante la hiperpolarización, la neurona no puede recibir ningún tipo de excitación.
Panel derecho. En ocasiones para producir un potencial de accion se debe combinar el efecto de varios en
las neuronas presinápticas. Individualmente, los cuatro spikes de la figura no alcanzan el potencial umbral.
Sin embargo, al llegar de manera consecutiva, el nivel en el que se encuentra la neurona receptora no es el
potencial de reposo. Con cada uno de ellos se encuentra en un nivel superior. En este caso, la combinación
de los cuatro hace que se produzca la transmisión del impulso nervioso.
Las sinapsis más abundantes en los sistemas naturales son las quı́micas. En este tipo de
sinapsis las neuronas no están en contacto. La señal eléctrica se transmite gracias a la acción
de unas sustancias quı́micas denominadas neurotransmisores (por ejemplo, la acetilcolina,
la adrenalina o la histamina) que se encuentran almacenadas en las vesı́culas sinápticas.
Cuando un impulso llega a la terminación axónica de una neurona presináptica acarrea una
reacción metabólica que hace que desaparezca la membrana de algunas de estas vesı́culas.
Esto conlleva la liberación de los neurotransmisores. La neurona postsináptica es permeable
a algunos de estos neurotransmisores. Al entrar en la célula, se unen a unos receptores
especı́ficos de cada neurotransmisor, lo que hace que se abran determinados canales iónicos.
Esta reacción es la que hace que el impulso nervioso se transmita. Existen neurotransmisores
excitadores e inhibidores. Los canales iónicos que abren los primeros provocan una corriente
que despolariza la neurona. Mientras que los que abren los neurotransmisores inhibidores
provocan una corriente hiperpolarizadora. Cuando una neurona se despolariza, si el estı́mulo
tiene la suficiente intensidad y supera un valor de potencial, denominado potencial umbral,
se abren los canales activos. Esto puede producir un incremento muy rápido del potencial
de membrana en la neurona postsináptica durante un corto intervalo de tiempo (ver detalles
en la Figura 2.2). Este incremento se conoce como potencial de acción o spike y gracias
a él se transmite la información nerviosa. Con los estı́mulos inhibidores ocurre un proceso
análogo pero que, en lugar de despolarizar la neurona, la hiperpolariza.
El potencial umbral está asociado a cada canal iónico y determina la permeabilidad de
la neurona a cada ión. Hasta hace poco tiempo se pensaba que era constante. Sin embargo,
hay evidencias experimentales que indican que no lo es, dependiendo de los potenciales de
acción anteriores [Azouz and Gray, 1999]. Muchas veces la llegada de un potencial de acción
2.3. CODIFICACIÓN NEURONAL 9
BURST
SPIKE
potencial de membrana
tiempo
Figura 2.3: Ejemplo de comportamiento spiking-bursting. En la figura aparecen tres bursts (trenes o ráfa-
gas), identificándose cada uno de los potenciales de acción o spikes que contienen
ciados a los latidos del corazón). Cualquiera de los movimientos que realiza un animal se
produce gracias a la acción de uno o varios músculos que interpretan y ejecutan las instruc-
ciones enviadas por el cerebro. Teniendo esto en cuenta, el sistema motor puede dividirse
en dos partes fundamentales que interactúan entre sı́: el sistema motor central y el sistema
motor periférico. Los componentes del sistema motor central pertenecen al sistema nervioso
central (corteza cerebral, espina dorsal, cerebelo...) y son los encargados de controlar los
movimientos. Los elementos del sistema motor periférico (músculos y nervios motores) son
los encargados de realizar los movimientos indicados por el sistema motor central.
Los movimientos que puede realizar un animal se pueden agrupar en dos categorı́as
en función de su voluntariedad: movimientos voluntarios y movimientos involuntarios. Los
movimientos voluntarios son los asociados a acciones que se realizan sin un estı́mulo sen-
sorial que las provoque. Un ejemplo de movimiento voluntario es coger un objeto. Estos
movimientos son los más complejos de realizar. En la mayorı́a de las ocasiones implican (i)
la realización de un plan de acción para alcanzar el objetivo, ya que éste se puede alcan-
zar de diversas formas, y (ii) la coordinación entre diferentes movimientos individual. Los
movimientos voluntarios no son innatos. Por su parte, los movimientos involuntarios o ac-
tos reflejos pueden ser de dos tipos: innatos o condicionados. Los movimientos innatos son
un tipo de movimiento que se realiza de forma instintiva, ya que forman parte del código
genético de cada animal. Normalmente sirven para que el sistema nervioso central controle
otras partes del cuerpo, por ejemplo el corazón. Por su parte, los actos reflejos condiciona-
dos son movimientos simples y rápidos respuesta a una entrada sensorial (estı́mulo). Por
ejemplo, retirar la mano al tocar un objeto caliente.
El ganglio estomatogástrico
3.1. Introducción
La estructura y el comportamiento de los CPGs se han estudiado en muchos ani-
males: el clione [Arshavsky et al., 1985a, Arshavsky et al., 1985b, Arshavsky et al., 1985c],
la sanguijuela [Brodfuehrer et al., 1995], el tritonia [Katz et al., 1994], etc. Pero los mejor
conocidos son los del ganglio estomatogástrico (STG, del inglés STomatogastric Ganglion)
de los crustáceos decápodos [Hartline and Maynard, 1975, Hartline and Gassier, 1979,
Selverston and Moulins, 1987, Harris-Warrick et al., 1992]. Éstos CPGs comenzaron a es-
tudiarse hace más de 40 años. Entre los crustáceos decápodos se encuentran las langostas,
algunos cangrejos y las gambas y langostinos. Los más usados en estudios neuronales son
la langosta californiana (Panulirus interruptus) y el cangrejo de mar (Cancer borealis).
El sistema estomatogástrico de los crustáceos está formado por distintos tipos de
órganos. Entre ellos se encuentran unos sistemas neuronales que se encargan de controlar
los músculos que intervienen en los movimientos asociados a la ingestión y procesamien-
to de la comida durante parte del proceso alimenticio del animal (esófago y estómago).
Dentro de estos elementos neuronales está el STG. Algunos de los músculos del sistema
estomatogástrico realizan movimientos que se deben coordinar y repetir de forma periódi-
ca, lo que implica la generación de distintos patrones rı́tmicos de actividad. Estos ritmos
están ı́ntimamente relacionados entre sı́. Dos de ellos los generan dos CPGs cuyas neuronas
pertenecen al STG: el CPG gástrico y el CPG pilórico.
13
14 El ganglio estomatogástrico
Figura 3.1: Esquema del sistema estomatogástrico de una langosta. El estómago se divide en tres partes: el
saco cardiaco (cardiac sac), la muela gástrica (gastric mill ) y el pı́loro (pylorus). Además la figura muestra
los músculos que realizan los movimientos del pı́loro (derecha) y las neuronas (LP, PD y PY), pertenecientes
al STG, que los coordinan y controlan. Estas neuronas están conectadas al cerebro a través de los ganglios
comisurales y el ganglio esofágico.
Una de las principales razones por las que este sistema se conoce de una forma tan
detallada es que es relativamente sencillo aislarlo y alterarlo, tanto in vivo como in vit-
ro [Mulloney and Selverston, 1974, Bidaut, 1974, Marder and Eisen, 1984]. Estas prepara-
ciones contienen las neuronas y los músculos que se quieren estudiar en cada caso. Además,
toda su entrada modulatoria llega a través de un único nervio que, a lo sumo, contiene 130
axones, lo que es un número muy pequeño si se compara con los existentes en otras redes
neuronales.
la región en la que se produce la masticación gástrica. La muela gástrica está formado por
dos dientes laterales y un diente medio que, junto con las secreciones hepatopancreáticas,
reducen la comida a pequeñas partı́culas que pasan a través de la válvula cardiopilórica a
la cámara pilórica. Aquı́, las partı́culas son separadas mediante el filtro pilórico saliendo
definitivamente del estómago. Los músculos que intervienen en todos estos procesos están
inervados por neuronas del sistema nervioso estomatogástrico.
Para que el sistema se comporte correctamente se deben producir diferentes patrones
rı́tmicos de actividad. Estos ritmos dirigen y coordinan la contracción de grupos de múscu-
los que en ocasiones deben contraerse simultáneamente y otras en oposición. Existe un
ritmo esofágico que permite al animal ingerir la comida, llevándola, mediante movimientos
peristálticos, desde la boca al estómago. Hay un ritmo, lento e irregular, en el saco cardiaco
que lleva la comida a la muela gástrica. Pero los ritmos más interesantes son el gástrico y
el pilórico que se explican en detalle más adelante. Cada uno de estos cuatro ritmos están
controlados y generados por diferentes neuronas.
Todas las neuronas del sistema nervioso estomatogástrico se localizan en cuatro ganglios
(Figura 3.1): dos ganglios comisurales (COGs, del inglés COmmissural Ganglion), el ganglio
esofágico (OG, del inglés Oesophageal Ganglion) y el ganglio estomatogástrico (STG, del
inglés STomatogastric Ganglion). Aquı́ nos vamos a centrar en este último, estudiando
algunas de las propiedades de los ritmos que genera. Toda la información de control enviada
por el cerebro llega al sistema estomatogástrico a través del OG, ya que es la única parte del
sistema conectada directamente al cerebro. En el OG existen motoneuronas e interneuronas.
Por su parte, los COGs sólo contienen interneuronas que envı́an la información proveniente
del OG al STG. Estos ganglios estan conectado a las interneuronas de los CPGs del STG
mediante el nervio estomatogástrico.
STG están conectadas al stn para recibir la entrada central, ya que ésta es la entrada
primaria del sistema. Si éste se bloquea cesa toda la actividad del ganglio. Sin embargo,
además de la entrada primaria a través del stn, el STG también recibe información a través
de una serie de nervios periféricos que le devuelven feedback de la actividad generada en
ciclos rı́tmicos anteriores.
INT 1 AB−PDs
LG y MG VD
DG y AM LP
LPGs PYs
GMs IC
Figura 3.2: Patrón rı́tmico de impulsos generados por el CPG gástrico (izquierda) y el CPG pilórico
(derecha). La duración de la actividad de cada neurona está representada por la duración de cada bloque.
Esta duración no coincide con la registrada en los CPGs biológicos. El ritmo gástrico es el que controla
el movimiento de los dientes de la muela gástrica durante el proceso de masticación. Consiste en la al-
ternancia de disparo de cuatro grupos de neuronas (LG-MG, DG-AM, LPGs y GMs, la neurona INT1 es
una interneurona de control). El ritmo pilórico es el controla los movimientos de los músculos del pı́loro.
Consite en la alternancia de disparo de tres grupos de neuronas (AB-PDs, LP-IC y PYs-VD). Las lı́neas
discontinuas marcan el comienzo de un ciclo y el final del anterior.
Figura 3.3: Conectividad entre las neuronas del CPG pilórico de la langosta. Las dos neuronas PD y las
ocho PY se representan por simplicidad como una única neurona.
COG
LG DG
PYs LP
MG AM
AB PDs Int1
IC VD LPGs GMs
Figura 3.4: Mecanismos de comunicación, tanto directos como indirectos, a través de los ganglios
comisurales (COGs), entre las neuronas de los CPGs pilórico y gástrico. Las conexiones que se establecen
entre las neuronas de los COGs y de los CPGs, en ambos sentidos, dependen de la especie. Por ello, en la
figura se muestran de forma genérica entre los sistemas neuronales entre los que se producen. En la figura
no se muestran las conexiones entre las neuronas de un mismo CPG.
Conexión quı́mica inhibitoria entre las neuronas pilóricas PDs y la gástrica Int1.
Además de estas conexiones directas entre neuronas de los dos CPGs existe un mecan-
ismo externo para que los dos ritmos se coordinen (Figura 3.4). Toda la entrada central de
los CPGs del STG llega a ellos a través del nervio estomatogástrico. Este nervio permite
que un conjunto de neuronas de los COGs (dependen del crustáceo) envı́en una entrada
excitatoria a las motoneuronas del STG. Pero también sirve para que los COGs reciban
feedback inhibitorio de los CPGs a través de las neuronas Int1 y AB. Esto supone un
mecanismo adicional de comunicación e integración de ambos CPGs.
Capı́tulo 4
4.1. Introducción
Existe una gran cantidad de ejemplos de redes neuronales oscilatorias cuyo compor-
tamiento se caracteriza por la generación de ráfagas de potenciales de acción o bursts.
Muchas de ellas se han estudiado en detalle, pero los CPGs son los que han recibido una
mayor atención. Las neuronas que los forman son neuronas oscilatorias, generalmente con
comportamiento spiking-bursting regular (Figura 2.3), al menos cuando están interconec-
tadas. De todos ellos, el CPG pilórico del sistema estomatogástrico de los crustáceos es uno
de los más estudiados y mejor conocido (capı́tulo 3).
Hasta hace poco tiempo, se pensaba que la estructura temporal de los potenciales de
acción dentro de los bursts no era importante para caracterizar el comportamiento de
este CPG. Esto se debı́a principalmente a dos factores. Por un lado, sus neuronas son
capaces de generar un patrón rı́tmico formado sólo por una onda lenta sin potenciales de
acción [Graubard, 1978, Raper, 1979, Elson et al., 2001]. Por otro, los músculos que coordi-
na son músculos lentos. Estos dos hechos han hecho pensar que en su control sólo intervenı́a
la actividad bursting, también conocida como dinámica u onda lenta. Por similitud entre
ellos, esta conclusión se ha extendido a otros sistemas con el mismo tipo de comportamiento.
La mayorı́a de los estudios realizados con CPGs se centran en la onda lenta.
La estructura interna de los potenciales de acción dentro de las ráfagas ha
recibido una menor atención. Por ejemplo, en el CPG pilórico, se conoce de
manera muy detallada los tipos de conexión que se establecen entre sus neu-
ronas [Selverston and Moulins, 1987], los factores biofı́sicos y neuromodulatorios que deter-
minan el comportamiento de la red [Ayali and Harris-Warrick, 1999, Nadim et al., 1999,
Nusbaum et al., 2001, Swensen and Marder, 2001] y las relaciones de fase entre las neu-
ronas que la forman [Hooper, 1997]. Sin embargo, experimentos recientes han revelado la
existencia de unas estructuras temporales caracterı́sticas en la actividad spiking, también
conocida como dinámica u onda rápida, de las neuronas del CPG pilórico de la langos-
ta [Szücs et al., 2003]. Estas estructuras se conocen como firmas neuronales individuales, ya
que son especı́ficas de cada célula y permiten identificarlas de forma única cada vez que dis-
19
20 Firmas neuronales individuales en el CPG pilórico
paran. También se ha demostrado que la dinámica rápida (estructura interna de las ráfagas
de potenciales de acción) puede determinar la respuesta motora de los músculos en determi-
nadas circunstancias [Hooper and Weaver, 2000, Brezina et al., 2000, Morris et al., 2000].
Estos últimos descubrimientos sugieren que la estructura temporal de los potenciales de
acción en cada ráfaga podrı́a ser más importante de lo que se ha pensado hasta el momento.
Las corrientes iónicas de las neuronas del CPG pilórico son especı́ficas de cada neurona
(D.K. Hartline y K. Graubard: Cellular and synaptic properties in the crustacean stomato-
gastric nervous system [Harris-Warrick et al., 1992]). Estudiándolas en detalle, se pueden
identificar de forma unı́voca. Esto sugiere que en el comportamiento neuronal existe cierta
propiedad, caracterı́stica de cada neurona, que indica cuál es su modo de funcionamiento
en un instante dado. Esta propiedad podrı́a ser la firma individual. Biológicamente hablan-
do, existen muchas preguntas relativas a ellas que aún no tienen respuesta. Se sabe que
existen, pero no si tienen algún significado funcional para el sistema. Se desconoce cuál es
su origen. Tampoco se sabe cuáles son los mecanismos que hacen que aparezcan diferencias
en la firma de una misma neurona en distintos instantes de tiempo. Como se ha dicho
anteriormente, algunos músculos pueden adaptar su nivel de contracción a la estructura
temporal de las ráfagas de potenciales de acción que reciben de las motoneuronas que los
controlan [Hooper and Weaver, 2000, Brezina et al., 2000, Morris et al., 2000]. Sin embar-
go, no está claro si las firmas neuronales pueden formar parte de los mensajes de control que
reciben los músculos. También se desconoce si las neuronas con comportamiento spiking-
bursting presentan mecanismos que les permitan codificar información en la estructura
temporal de los spikes enviados a otras neuronas, tal y como ocurre en otros sistemas con
actividad spiking [Chacron et al., 2001].
Si las firmas neuronales son un mecanismo de codificación temporal de información,
pueden tener importantes implicaciones en el origen de los ritmos, en su rápida respues-
ta a la actividad modulatoria y en las diferentes respuestas de los músculos ante ritmos
aparentemente similares. Pero además, de ser factible esta codificación, también puede
plantearse su uso en el diseño de nuevos algoritmos de redes neuronales artificiales y al-
goritmos de aprendizaje. Sin embargo, antes de usarlas en este tipo de sistemas, hay que
comprender su significado en los circuitos biológicos. Éste es el objetivo de nuestro estu-
dio. Utilizando distintos modelos de CPG y de neurona individual, vamos a intentar dar
respuesta (respuestas que deberán validarse posteriormente en el laboratorio) a algunas de
las preguntas referentes a las firmas neuronales. Aquı́ nos vamos a centrar en las siguientes
preguntas:
Figura 4.1: Panel izquierdo: Superposición de diez ráfagas consecutivas de la neurona LP en una preparación
in vitro. Se ha hecho coincidir el primer potencial de acción de cada una de ellas para comprobar la precisión
de su distribución temporal en diferentes bursts. La estructura temporal de los spikes es la misma (o muy
similar) en bursts diferentes. Panel derecho: Distribuciones temporales de los potenciales de acción (firmas)
de tres neuronas del CPG pilórico representadas como mapas de retorno de ISIs. Los superiores pertenecen a
la neurona PD, los centrales a la LP y los inferiores a la VD. Visualmente se puede distinguir las similitudes
de las firmas de una misma neurona y las diferencias en las de neuronas distintas. Datos registrados por
Attila Szücs, INLS, San Diego [Szücs et al., 2003].
simultáneamente a la generación del ritmo trifásico, los ISIs de las neuronas del CPG pilóri-
co de la langosta presentan una distribución temporal caracterı́stica [Szücs et al., 2003].
De ahı́ que estas distribuciones temporales reciban el nombre de firmas neuronales. Cada
neurona tiene su propia firma, fácilmente reproducible y reconocible en diferentes prepara-
ciones, tal y como muestra la Figura 4.1.
Existen muchas formas de representar gráficamente la firma de una neurona. Dependien-
do de cada caso, aquı́ vamos a usar dos de las más utilizadas, los histogramas [Parzen, 1962,
Sanderson and Kobler, 1976] y los mapas de retorno de ISIs [Dekhuijzen and Bagust, 1996,
Segundo et al., 1998, Kepecs and Lisman, 2003, Izhikevich et al., 2003, Szücs et al., 2003].
Los histogramas dividen el eje X en intervalos de tiempo discretos, representando en el
eje Y el porcentaje de ISIs cuya duración está dentro de cada uno de ellos. Este tipo de
representación muestra la distribución de probabilidad de los ISIs. Esto permite medir la
regularidad o dispersión de los potenciales de acción en función de la concentración en cada
región. Por su parte, en los mapas de retorno de ISIs se muestra el ISIn frente al ISIn+1 (las
firmas de la Figura 4.1 están representadas con mapas de retorno de ISIs). Esto permite
visualizar la forma en que se generan los potenciales de acción en cada ráfaga.
22 Firmas neuronales individuales en el CPG pilórico
Para modelar el comportamiento de las neuronas del CPG pilórico de forma re-
alista, se debe utilizar modelos neuronales que presenten un comportamiento spiking-
bursting parecido al de las neuronas del circuito real. Para comprobar la generali-
dad de los resultados obtenidos y para determinar la dependencia de las firmas de
la dinámica individual de cada neurona, hemos utilizado tres modelos diferentes: el
de Komendantov-Kononenko (KK) [Komendantov and Kononenko, 1996], una modifi-
cación del de Hindmarsh-Rose (HR) [Hindmarsh and Rose, 1984, Selverston et al., 2000,
Pinto et al., 2000, Szücs et al., 2000] y el de Huerta et al. [Huerta et al., 2000]. Las ecua-
ciones que describen la dinámica de cada uno de ellos se muestran en el Apéndice A.
Los modelos de Komendantov-Kononenko y de Hindmarsh-Rose tienen una dinámica
individual muy rica, lo que les permite mostrar una gran variedad de comportamientos.
Ambos pueden generar una actividad muy similar a la de las neuronas del CPG pilórico
cuando están aisladas [Elson et al., 1998, Varona et al., 2001]. Aunque el modelo de Huerta
et al. también puede generar este tipo de actividad, ésta no ha sido la razón por la que
hemos decidido utilizarlo. Este modelo presenta dos caracterı́sticas interesantes para nuestro
estudio (al menos en el tipo de comportamiento usado en las simulaciones): la precisión y
la regularidad. Lás ráfagas que genera son muy precisas y la dispersión de los potenciales
de acción dentro de ellas es muy pequeña. Esto significa que el instante en el que se van a
producir ambos es muy predecible. El uso de este modelo va a permitir estudiar si neuronas
que de forma individual tienen un comportamiento muy similar y preciso, son capaces de
generar una firma identificativa diferente cuando se unen para formar un CPG.
Los tres modelos pueden presentar diversos tipos de comportamiento en función de los
valores elegidos para sus constantes (ver Apéndice A). Aquı́ sólo se va utilizar algunos de
ellos. Con las neuronas KK, los comportamientos spiking-bursting regular, spiking-bursting
caótico y spiking caótico. Con HR, el spiking-bursting regular y el spiking-bursting caótico.
Y con Huerta et al. sólo se usará el comportamiento spiking-bursting regular por las razones
expuestas en el párrafo anterior. En la Figura 4.2 se muestra un serie temporal y la firma
neuronal de una neurona aislada con cada uno de los comportamientos indicados.
4.3. ORIGEN DE LAS FIRMAS NEURONALES 23
Neurona KK: regular 20 sg (A) Neurona HR: regular 400 u.a. (B)
40 2
30 1.5
20
10 1
0 0.5
−10
−20 0
−30 −0.5
−40
−50 −1
−60 −1.5
Neurona KK: spiking−bursting caotico (C) Neurona HR: spiking−bursting caotico (D)
40 2
30 1.5
20
10 1
0 0.5
−10
−20 0
−30 −0.5
−40
−50 −1
−60 −1.5
Neurona KK: spiking (E) Neurona Huerta et al.: regular 1 sg
(F)
40 5
30 0
20 −5
10 −10
0 −15
−10 −20
−25
−20 −30
−30 −35
−40 −40
−50 −45
Figura 4.2: Fragmento de simulaciones, con neuronas KK, HR y Huerta et al., con los distintos tipos de
comportamiento que se van a utilizar para modelar las neuronas del CPG pilórico. Las unidades son sg y
mV para KK y Huerta et al., y están dimensionadas para HR. Las firmas de neuronas aisladas con estos
comportamientos se muestran como mapas de retorno de ISIs junto con la serie temporal. El tamaño de
los ejes de estos mapas es 14 sg para KK, 160 unidades arbitrarias (u.a.) para HR y 700 msg para Huerta
et al. El cuadro que se muestra dentro de cada firma muestra en detalle la región más cercana al origen de
los ejes en el mapa de retorno. Ésta es la zona que, más adelante, se comparará con la equivalente en las
firmas de las neuronas de los modelos de CPG. En este caso, el tamaño de los ejes es de 4 sg, 50 u.a. y 40
msg para las neuronas KK, HR y Huerta et al. respectivamente. Los parámetros utilizados para obtener
estos datos son los que se muestran en la tabla 4.3 del Apéndice A.
El CPG pilórico está formado por 14 neuronas: una AB (anterior buster ), dos PDs
(pyloric dilator ), una LP (lateral pyloric), una IC (inferior cardiac), una VD (ventricular
dilator ) y ocho PYs (pylorics). Para hacer el análisis más sencillo, en nuestros modelos de
red el circuito se va a simplificar (Figura 4.3). En ellos sólo se van a incluir las neuronas
significativas para el estudio de las firmas. Para representar las ocho neuronas PYs se va a
utilizar una única célula, ya que todas ellas están acopladas eléctricamente. Además, se ha
omitido la acción de las neuronas IC y VD, ya que no inervan los músculos del pı́loro y no
forman parte del ritmo trifásico caracterı́stico del CPG pilórico. De esta forma, nuestros
circuitos estan formados por cinco células: una AB, dos PDs, una LP y una PY.
Los dos circuitos de la Figura 4.3 están formados por dos subcircuitos. El primero es el
grupo marcapasos, formado por la neurona AB y las dos neuronas PD. El resto de células
del CPG van a seguir a las de este grupo para generar el ritmo. El segundo subcircuito es
el encargado de producir el ritmo trifásico caracterı́stico del CPG pilórico (ver capı́tulo 3).
El grupo marcapasos forma parte de esta red como una única neurona, ya que las tres
neuronas que lo forman están acopladas eléctricamente (ver más abajo). A la neurona única
que representa al grupo marcapasos en este subcircuito la llamaremos neurona AB/PD.
En la subred AB-PD1-PD2 todas las neuronas están interconectadas mediante conexiones
eléctricas simétricas [Elson et al., 1998, Varona et al., 2001]. Como consecuencia de estas
conexiones, todas ellas están acopladas eléctricamente y su actividad está sincronizada. Por
su parte, en la red AB/PD-LP-PY sólo hay conectividad quı́mica.
24 Firmas neuronales individuales en el CPG pilórico
(a) LP PY (b) LP PY
AB AB
PD 1 PD 2 PD 1 PD 2
Figura 4.3: Circuitos utilizados para modelar el CPG pilórico. Las resistencias representan conexiones
eléctricas, las lı́neas de puntos conexiones quı́micas lentas y las sólidas conexiones quı́micas graduales
rápidas. Los dos circuitos están formados por dos subcircuitos: el grupo marcapasos (AB-PD1-PD2) y el
formado por el grupo marcapasos como una neurona única y las neuronas LP y PY. En el texto, el circuito
(a) se va a denominar circuito reducido y el (b) circuito completo.
Para validar que los circuitos se comportan correctamente en las simulaciones, hay que
comprobar que todas las neuronas de la red AB-PD1-PD2 están sincronizadas y que las de
la red AB/PD-LP-PY generan un ritmo trifásico válido: primero dispara la neurona AB
(que utilizaremos como representante del grupo marcapasos), después la neurona LP y por
último la neurona PY, volviéndose a repetir el ciclo.
La diferencia entre las dos topologı́as de red de la Figura 4.3 es la forma en la que se
conectan las dos subredes que las forman. En el caso del circuito de la Figura 4.3a existe
un único punto de unión, la neurona AB. Ésta envı́a y recibe señales de las dos subredes.
Aunque en el CPG biológico no se da alguna de estas conexiones, esta simplificación se suele
utilizar frecuentemente como consecuencia de la sincronización de las neuronas AB y PDs.
Por su parte, el circuito de la Figura 4.3b es un circuito más realista. En este caso, (i) las
neuronas PD son la componente presináptica de las conexiones quı́micas lentas entre el
grupo marcapasos y las neuronas de la red AB/PD-LP-PY [Selverston and Moulins, 1987,
Golowasch et al., 1999] y (ii) la neurona LP está conectada a las dos neuronas PD mediante
conexiones quı́micas rápidas. Al primer circuito le denominaremos circuito reducido y al
segundo circuito completo.
Para realizar nuestro estudio simularemos los dos modelos de red de la Figura 4.3 con los
tres modelos neuronales presentados en la sección anterior. Además, también utilizaremos
versiones dañadas de ambos circuitos en las que eliminaremos las conexiones quı́micas
lentas. De esta forma, podremos analizar la influencia (i) del modelo de comportamiento
de las neuronas individuales y (ii) de la arquitectura de la red en la firma de cada una de
las neuronas del CPG.
Modelos de sinapsis
Dado que en el CPG pilórico existen diferentes tipos de conexiones entre neuronas,
hemos utilizado distintos modelos de sinapsis para determinar la corriente sináptica total
que recibe una neurona en un instante dado (Isyn ). En los dos circuitos de la Figura 4.3,
existen conexiones eléctricas y conexiones quı́micas. A su vez, estas últimas pueden ser
conexiones rápidas o lentas. Por ello, en los modelos, la corriente sináptica tendrá una
componente debida a cada uno de los tres posibles tipos de conexión, respectivamente, Ielec ,
If ast e Islow . Las ecuaciones que describen estas conexiones se muestran en el Apéndice B.
4.3. ORIGEN DE LAS FIRMAS NEURONALES 25
4.3.3. Resultados
En todas las simulaciones presentadas, los circuitos de la Figura 4.3 se comportan de
forma regular aunque sus neuronas no tengan este comportamiento cuando están aisladas.
En este contexto, esto quiere decir que el tamaño de las ráfagas generadas por las células
que forman los circuitos es constante. Al establecer las conexiones entre ellas, los modelos
de red producen un ritmo trifásico con la misma relación de fase entre la actividad de sus
neuronas (Figura 4.4) que la dada en el ritmo generado por el CPG biológico. Al igual que
en este último, las ráfagas y los potenciales de acción son muy precisos (Tabla 4.1). Esto
ocurre con independencia de la topologı́a de la red y del modelo de neurona utilizado.
La Figura 4.5 muestra las firmas de las neuronas de los circuitos de la Figura 4.3 en
las simulaciones realizadas. Aquı́ estamos interesados en el estudio de la regularidad de
la distribución de los potenciales de acción dentro de una misma ráfaga y no en ráfagas
consecutivas. Por este motivo, en la figura se han omitido las regiones que representan estos
eventos en los mapas de retorno de ISIs. En ellos sólo se muestra la zona más próxima al
origen de los ejes. Si se comparan los mapas de retorno de la Figura 4.5 con los equivalentes
de la Figura 4.2, se ve que al establecer las conexiones la firma de cada neurona individual
cambia (notar la diferencia en el tamaño de los ejes). Esto indica que en los circuitos hay
algún mecanismo que hace que varı́e la distribución temporal de los potenciales de acción
en la ráfagas. Además, las nuevas firmas son especı́ficas de cada neurona. Si se compara
la de las cinco células de cada simulación se puede ver que, en general, hay diferencias
entre ellas que permiten distinguirlas de forma única. Se puede decir que al establecer las
conexiones, las neuronas de los modelos presentan un firma identificativa caracterı́stica.
26 Firmas neuronales individuales en el CPG pilórico
(A) Circuito reducido no dañado (KK) (B) Circuito reducido no dañado (KK) (C) Circuito reducido no dañado (Huerta)
0
20 1
−10
0
0
−20 AB AB −20 AB
LP LP LP
−40 PY −1 PY PY
−30
9450 9460 9470 9480 9490 9500 24900 24920 24940 24960 24980 25000 596.5 597 597.5 598 598.5 599.0 599.5 600.0
(D) Circuito reducido dañado (KK) (E) Circuito reducido dañado (HR) (F) Circuito reducido dañado (Huerta)
0
20 1
−10
0
0
−20 AB AB −20 AB
LP LP LP
PY −1 PY PY
−40
−30
9450 9460 9470 9480 9490 9500 24900 24920 24940 24960 24980 25000 596.5 597 597.5 598 598.5 599.0 599.5 600.0
(G) Circuito completo no dañado (KK) (H) Circuito completo no dañado (HR) (I) Circuito completo no dañado (Huerta)
0
20 1
−10
0
0
−20 AB AB −20 AB
LP LP LP
−40 PY −1 PY PY
−30
9450 9460 9470 9480 9490 9500 24900 24920 24940 24960 24980 25000 596.5 597 597.5 598 598.5 599.0 599.5 600.0
(J) Circuito completo dañado (KK) (K) Circuito completo dañado (HR) (L) Circuito completo dañado (Huerta)
0
20 1
−10
0
0
−20 AB AB −20 AB
LP LP LP
PY −1 PY PY
−40 −30
9450 9460 9470 9480 9490 9500 24900 24920 24940 24960 24980 25000 596.5 597 597.5 598 598.5 599.0 599.5 600.0
Figura 4.4: Series temporales con la evolución del potencial de membrana de las neuronas de las redes de
la Figura 4.3 con los tres modelos neuronales usados en el estudio. En la figura se puede ver que, aunque
hay diferencias entre los ritmos generados, todos ellos son ritmos trifásicos válidos que podrı́an controlar
correctamente los movimientos del pı́loro. Las unidades son sg para KK, unidades arbitrarias para HR y
msg para Huerta et al.
Los resultados que se presentan en las Figuras 4.4 y 4.5 y la Tabla 4.1, indican que los
modelos se comportan de forma coherente con el CPG biológico. Por un lado, generan un
ritmo (onda lenta) muy preciso que podrı́a controlar correctamente los movimientos del
pı́loro. Por otro, simultáneamente, las señales producidas por sus neuronas presentan una
firma caracterı́stica. De esta forma, analizando los resultados de las simulaciones podremos
encontrar alguna hipótesis sobre el origen de las firmas neuronales.
Para estudiar cuáles pueden ser los mecanismos que hacen que aparezcan diferencias
en la distribución temporal de los potenciales de acción de cada célula del CPG, vamos a
comenzar analizando las simulaciones con el modelo de Huerta et al. En ellas, individual-
mente la distribución temporal de los spikes es exactamente la misma en todas las neuronas.
Sin embargo, al establecer las conexiones entre ellas, a pesar de la regularidad y precisión
del modelo, aparecen pequeñas variaciones. Estas variaciones hacen que, en una misma
simulación, la firma de cada célula se diferencie ligeramente de las del resto (panel inferior
de la Figura 4.5). Representadas como mapas de retorno de ISIs, las nuevas firmas tienen
forma de cabeza de flecha en el interior del burst. Sin embargo, la forma de estas estructuras
y los puntos que las definen son distintos. Con este modelo neuronal, es importante destacar
la similitud de los mapas de retorno de una misma neurona en simulaciones diferentes. Por
ejemplo, comparar los de la neurona LP en todos los casos. Parece que con el modelo de
Huerta et al., la distribución temporal de los potenciales de acción no sólo es caracterı́stica
de cada neurona en una misma simulación, sino que, en simulaciones diferentes, también
lo es de cada célula individual. Esto indica que, en este caso, las estructuras temporales
que hasta el momento hemos denominado firmas, realmente se comportan como tal. Que
4.3. ORIGEN DE LAS FIRMAS NEURONALES 27
Figura 4.5: Firma de todas las neuronas en las topologı́as consideradas en este estudio. En los mapas de
retorno de ISIs sólo se han representado los que pertenecen a spikes de una misma ráfaga. Las unidades
son sg para KK, unidades arbitrarias para HR y msg para Huerta et al.
aparezcan firmas en las simulaciones con el modelo de Huerta et al. sugiere una depen-
dencia de éstas con la topologı́a de la red, ya que es el único factor que se ha cambiado
de unas a otras. Las simulaciones con neuronas KK y HR también parecen soportar esta
hipótesis. En ellas, la presencia de conexiones quı́micas lentas hace que los potenciales de
acción dentro de cada ráfaga sean más precisos que los de los circuitos dañados (paneles
superior y medio de la Figura 4.5). Por ejemplo, el circuito dañado de la topologı́a reducida
con neuronas KK es un caso extremo, en el que las neuronas del grupo marcapasos pierden
la regularidad de sus ISIs. Esto indica que, en nuestros modelos, las conexiones redundantes
28 Firmas neuronales individuales en el CPG pilórico
AB P D1 P D2 LP PY
Reducido intacto 0.12 0.12 0.12 0.12 0.12
Reducido dañado 0.12 0.12 0.12 0.12 0.12
KK
Completo intacto 0.12 0.12 0.12 0.12 0.12
Completo dañado 0.12 0.12 0.12 0.12 0.12
Tabla 4.1: Frecuencia media de la onda lenta generada por las neuronas de los circuitos de la Figura 4.3 en
los casos presentados. Las unidades son Hz para KK y Huerta et al. y unidades arbitrarias para HR. Con
el mismo modelo neuronal la frecuencia del ritmo es la misma o la diferencia es tan pequeña que puede
considerarse la misma. El error de esta media en KK, HR y Huerta et al. es del orden de 10 −4 , 10−5 y
10−8 respectivamente. Esto indica la precisión de la onda lenta en los ritmos.
del circuito influyen en las firmas de sus células. Otro hecho interesante que parece reflejar
esta dependencia, se da en las neuronas LP y PY. En general, estas dos células presentan
firmas muy similares y precisas. Se debe tener en cuenta que, en los modelos, éstas son las
únicas neuronas que al menos reciben una doble inhibición en todos los circuitos (más de
cuatro en los circuitos más realistas).
Sin embargo, en las simulaciones, no sólo la arquitectura de las conexiones influye en
la distribución temporal de los ISIs. Si esto fuera ası́, la firma de una misma neurona en
simulaciones equivalentes con modelos distintos deberı́a ser igual o muy similar. Pero esto
no es cierto. Fijándonos en la precisión de los mapas de retorno de ISIs, las firmas de las
neuronas KK y Huerta et al. son más precisas que las de las HR. Atendiendo a su forma,
también hay diferencias en las firmas de las neuronas de cada modelo. En general, con KK
tienen forma de cola de cometa, con HR son globulares y con Huerta et al. en forma de
cabeza de flecha. Además, de depender únicamente de la conectividad, con el modelo de
Huerta et al. la firma de una misma neurona deberı́a ser distinta en circuitos diferentes, cosa
que ya hemos visto que no ocurre. Por último, en las simulaciones con los circuitos dañados,
donde hay una menor influencia de la conectividad, con el modelo KK las dos neuronas
PD tienen firmas diferentes. Sin embargo, con los otros dos modelos estas firmas son muy
similares. Esto se puede deber a que con KK las dos neuronas tienen comportamientos
individuales distintos, cosa que no se da con HR y Huerta et al. Todos estos datos parecen
indicar que en los modelos existe una influencia de la dinámica indiviual de las neuronas
en su firma. Esta dependencia se manifiesta más claramente cuando la influencia de la
conectividad es menor.
Los resultados presentados sugieren que la aparición de diferentes patrones temporales
en los ISIs de las neuronas del CPG, puede deberse a la estructura de las conexiones entre
ellas y a la dinámica individual que muestran en un instante dado (ver discusión).
4.4. EFECTO DE LA FIRMA EN EL COMPORTAMIENTO DEL CPG 29
Para esta parte del análisis se han utilizado: (i) los modelos de Komendantov-
Kononenko (KK) [Komendantov and Kononenko, 1996] y de Hindmarsh-Rose
(HR) [Hindmarsh and Rose, 1984, Selverston et al., 2000, Pinto et al., 2000,
Szücs et al., 2000] (descritos anteriormente y de los que se pueden encontrar más
detalles en el Apéndice A) y (ii) las topologı́as de red de la Figura 4.3 (tanto intactas como
dañadas). El uso de dos modelos de neurona diferentes va a permitir validar la generalidad
de nuestros resultados.
Las caracterı́sticas del ritmo generados por un CPG vienen dadas por la fase entre la
actividad de las neuronas que intervienen en él. Para caracterizar los ritmos generados por
los modelos se va a medir la correlación entre la actividad de las neuronas que los pro-
ducen. Para ello se va a calcular el intercambio de información entre pares de neuronas con
el concepto de información mútua de Shannon [Shannon, 1948]. Con esta medida quere-
mos caracterizar la cantidad de información que llega a una neurona receptora (R) en los
estı́mulos que recibe de una neurona emisora (S). En su cálculo se utiliza el concepto de
entropı́a (H). La entropı́a de la actividad de una neurona mide la variabilidad de su activi-
dad. Si la de las neuronas R y S viene dada por los conjuntos de valores R = ri y S = si ,
la información mútua [Cover and Thomas, 1991, Rieke et al., 1997] entre estas actividades
se calcula con:
X P (ri , si )
M IRS = H(R) − H(R|S) = P (ri , si )log2 ≥0 (4.1)
ri ,si P (ri )P (si )
EVENTO
0 1 0 0 1 0 0 0 1 0 0
∆t Palabra de longitud L = 5
Figura 4.6: Mecanismo utilizado para mapear las series temporales con los potenciales de membrana a
una secuencia temporal binaria. Este mapeo va a permitir el tratamiento discreto de la señal neuronal.
Para calcular la información mútua, dividiremos las series temporales en N ventanas de tamaño ∆t que
agruparemos en N - L + 1 palabras de tamaño L.
tales como la generación de un potencial de acción [Rieke et al., 1997] o una ráfa-
ga [Selverston and Moulins, 1987, Harris-Warrick et al., 1992]. Por ello, al igual que en
muchos otros estudios [Strong et al., 1998, Eguia et al., 2000, Rodrı́guez et al., 2001], para
calcular la medida de información mútua se va a discretizar la evolución temporal del po-
tencial de membrana de las neuronas en N ventanas de tiempo de tamaño ∆t. En el sistema
estomatogástrico de la langosta la frecuencia de movimiento de los músculos del estómago
y del pı́loro está asociada a la frecuencia de las ráfagas de las motoneuronas que los con-
trolan [Selverston and Moulins, 1987, Harris-Warrick et al., 1992]. Por ello, la generación
de una ráfaga va a ser el principal evento de información. Para indicar la ocurrencia o no
de un evento en una ventana de tiempo se van a utilizar valores binarios. Un 1 indicará que
se ha producido un burst y un 0 que no se ha producido. Para determinar esta ocurrencia,
se busca en las series temporales las regiones en las que se produce una hiperpolarización.
De esta forma, el potencial de membrana se mapea (Figura 4.6) a una secuencia discreta
de bits, {et , t = 1...N } donde et puede ser 0 ó 1. Por último, antes de calcular la medida de
información mútua, se van a definir ”palabras de actividad” de tamaño L y tiempo t (w tL )
como fragmentos de la secuencia de bits dados por wtL = {et , et+1 , ..., et+L }.
Para calcular la información mútua entre dos neuronas, se va a considerar que en
cualquier conexión una neurona es la neurona de salida (emisora) y la otra la de entrada
(receptora). Fijando los valores de ∆t y L, se pueden calcular las probabilidades necesarias
para medir la información mútua media (M IRS ) en función de las palabras de actividad
wri y wsi (P (wri , wsi ), P (wri ) y P (wsi )). Éstas palabras vienen dadas por los conjuntos
L L
W R∆t = {wri } y W S∆t = {wsi } con todas las palabras de la neurona de entrada y de
salida respectivamente. El valor obtenido se normaliza mediante la expresión:
M IRS
ERS = (4.4)
H(S)
La cantidad ERS medirá la eficiencia de la transmisión de información desde la neurona
emisora a la receptora. Su valor estará dimensionado y siempre estará en el rango 0 ≤
ERS ≤ 1. Dado que H(S) es la máxima cantidad de información que se puede transmitir,
cuando ERS valga 0 significará que toda la información enviada se pierde en el canal,
mientras que si vale 1 habrá una sincronización perfecta entre las dos neuronas.
32 Firmas neuronales individuales en el CPG pilórico
1
DAB−LP−PY
0.5
E
00 AB
0.5
LP E LPPY 0
0.5
1 1
Figura 4.7: Representación gráfica de la evolución de DAB−LP −P Y en función de los valores de EABLP y
ELP P Y . Cuando la actividad de los dos pares de neuronas está completamente sincronizada, consecuente-
mente lo está el de las tres neuronas. En este caso el valor de la distancia es 0. Si por el contrario no hay
ninguna relación entre ellas vale 1.
1X
DR−S−R0 = (|ERS − ER0 S | + (1 − ERS ) + (1 − ER0 S)) (4.5)
2 ∆t
y normalizada al número de diferentes tamaños de ventana utilizados en el análisis, va a
satisfacer estas restricciones. La Figura 4.7 muestra la distribución de esta distancia en
función de los valores de transferencia de información entre las actividades de las neuronas
que se están comparando.
En los modelos de CPG tenemos tres pares de neuronas cuyos valores de información
mútua son EABLP , ELP P Y y EP Y AB . También hay tres distancias parciales entre pares de
conexiones DAB−LP −P Y , DLP −P Y −AB y DP Y −AB−LP . Como medida global de la precisión
del ritmo generado por el CPG, se puede definir la distancia D:
1
D = (DAB−LP −P Y + DLP −P Y −AB + DP Y −AB−LP ) (4.6)
3
Si D = 1 todas las neuronas del circuito serán independientes. Si, por el contrario, D = 0
la actividad de todas ellas estarán perfectamente sincronizada. Esta distancia va a permitir
medir la precisión de los ritmos trifásicos generados ya que correlaciona la actividad bursting
de las tres neuronas (palabras de actividad discretas) desplazada en ventana de tiempo
(información entre palabras).
Resultados
Además de las simulaciones presentadas en la figura 4.4 hemos analizado un gran número
de simulaciones en las que se generaba un ritmo trifásico correcto. En todas ellas hemos
4.4. EFECTO DE LA FIRMA EN EL COMPORTAMIENTO DEL CPG 33
Reduced Circuit with Slow Chemical Synapses (KK) (A) Reduced Circuit with Slow Chemical Synapses (HR) (B)
1 1
0.8 0.8
0.6 0.6
0.4 0.4
AB−LP AB−LP
Time Resolution ( ∆ t)
Figura 4.8: Transmisión de información entre las neuronas AB-LP, LP-PY y PY-AB en las simulaciones
de la figura 4.4. La cantidad ERS se muestra en función del tamaño de la ventana de tiempo ∆t. En todos
los casos el tamaño de palabra es L = 10. Cada serie temporal analizada tiene 625 bursts en el caso de
neuronas KK y 750 en el de neuronas HR.
Gastric CPG
AB p2
Figura 4.9: Arquitectura utilizada para modelar el CPG pilórico de la langosta. Este circuito es análogo al
completo de la Figura 4.3. La figura muestra esquemáticamente parte de la conectividad entre las neuronas
del CPG pilórico y los músculos y las neuronas del CPG gástrico [Selverston and Moulins, 1987].
el sistema biológico ocurre algo parecido a lo que pasa en los modelos, un cambio de fase de
este orden de magnitud puede reflejarse, entre otras cosas, en la respuesta de los músculos
que coordina el CPG. Curiosamente, al igual que ocurrı́a con las firmas neuronales, los
ritmos generados en las simulaciones con los circuitos más redundantes, los completos e
intactos, son los más precisos. Esto nos sugiere que, en los modelos, puede haber una
relación entre las firmas neuronales y el ritmo que genera el circuito.
Un caso interesante es el del circuito reducido sin conexiones lentas (el de menor redun-
dancia en la conectividad) con neuronas KK. Dependiendo de los parámetros utilizados,
en algunas de sus simulaciones (no mostradas aquı́), el CPG genera correctamente el rit-
mo trifásico durante cierto intervalo de tiempo. Transcurrido este intervalo (no siempre el
mismo) el ritmo trifásico se invierte, disparando, por este orden, el grupo marcapasos, la
neurona PY y la neurona LP. Dado que la onda lenta no cambia (Tabla 4.1), estas simula-
ciones sugieren que las firmas pueden ser mensajes de control que se envı́an unas neuronas
a otras o que se reciben del exterior para modificar el comportamiento global ante cierto
evento (ver discusión).
con los que interactúa el CPG biológico). Se van a hacer simulaciones tanto con el
circuito intacto con todas las conexiones, como con el dañado sin las conexiones quı́micas
lentas. Las ecuaciones que describen las sinapsis y los parámetros de las mismas, son
los utilizados en el estudio del origen de las firmas neuronales (ecuaciones 4.32, 4.34,
4.33 y 4.35 y tablas 4.5, 4.6 y 4.7). Por su parte, para describir el comportamiento
individual de las neuronas de estos circuitos, vamos a utilizar de nuevo los modelos de
Komendantov-Kononenko (KK) [Komendantov and Kononenko, 1996] y de Hindmarsh-
Rose (HR) [Hindmarsh and Rose, 1984, Selverston et al., 2000, Pinto et al., 2000,
Szücs et al., 2000]. Las descripciones de los modelos y los parámetros usados en las
simulaciones se encuentran en el Apéndice A.
Figura 4.10: Distribuciones de probabiliad utilizadas en las simulaciones forzadas de la neurona LP. Están
agrupadas por modelo de neurona (KK y HR) y circuito (intacto y dañado). Fila superior: Histograma de
ISIs (ISIH) de la neurona LP obtenidos de las simulaciones libres. Paneles centrales: Histogramas con la
distancia al primer spike (I2FSH) para tres spikes en las dinámicas libres. Panel inferior: Bursts uniformes
y bimodales generados artificialmente. Las unidades son sg para KK y están dimensionadas para HR.
Habrá una distribución por cada spike de los bursts. Recogen la distribución de las
distancias de un potencial de acción dado al primero de la ráfaga en la que aparecen.
Se representan con histogramas de intervalos al primer spike, I2FSH. Como ejemplo,
se muestra la distribución de un spike al comienzo, a la mitad y al final de la ráfaga
(segunda, tercera y cuarta fila de la Figura 4.10). Una caracterı́stica interesante de
estas distribuciones es el aumento de la dispersión en las distribuciones al final de la
ráfaga. Los datos se obtienen de las simulaciones libres.
Distribuciones de probabilidad uniformes y bimodales de ISIs generadas de forma
artificial (fila inferior de la Figura 4.10).
En los dos primeros casos, antes de realizar la simulación forzada se debe registrar la
actividad de la neurona LP en una gran cantidad de simulaciones libres para calcular la
distribución de probabilidad de ISIs correspondiente.
Para modificar fuera de la dinámica definida por las ecuaciones del modelo la firma de
una neurona, el primer paso es generar todo el bursts que se va a cambiar. De esta manera se
conoce el tamaño y el número de potenciales de acción que debe tener la ráfaga modificada.
4.4. EFECTO DE LA FIRMA EN EL COMPORTAMIENTO DEL CPG 37
Uniforme Bimodal A Bimodal B ISIH int. ISIH dañ. I2FSH int. I2FSH dañ.
KK intacto no no no 0.4112 0.4303 0.3902 0.4054
KK dañado no no no no no 0.4183 0.4201
HR intacto no no no 0.4527 no 0.4192 0.4258
HR dañado no no no 0.4533 0.4782 0.4284 0.4421
Tabla 4.2: Capacidad de los distintos circuitos utilizados en este estudio de generar el ritmo trifásico
caracterı́stico del CPG pilórico. Las filas indican el tipo de circuito y el modelo con el que se ha realizado
las simulaciones. Las columnas, el circuito y el modelo utilizado para modificar la firma de la neurona
LP usando el mecanismo para forzar la dinámica de la neurona descrito en el texto. En los casos en los
que el ritmo se genera correctamente, se indica la precisión del ritmo calculada utilizando la medida de
información de la ecuación 4.5.
Con estos datos se calcula, siguiendo la distribución elegida, la posición (tiempo) que va
a ocupar cada potencial de acción modificado. Una vez que la distribución de los ISIs se
ajusta, dentro de un pequeño margen de error, a las caracterı́sticas de la ráfaga registrada,
se obtiene aleatoriamente la forma de cada potencial de acción de un ”pool”de spikes. Estos
spikes se han obtenido previamente de las simulaciones libres. Este proceso se realiza para
todos los potenciales de acción de la ráfaga menos para el primero. El instante en el que se
produce y su forma son los mismos que tendrı́a en la simulación libre. Por último, se unen
los potenciales de acción para formar la ráfaga modificada. Las ráfagas obtenidas de esta
forma interactúan con el resto de neuronas del modelo incluyéndose en el sistema diferencial.
El potencial de membrana de la neurona LP viene dado por la ráfaga modificada. El del
resto de neuronas se calcula con las ecuaciones diferenciales, tomando esta ráfaga para
calcular la corriente sináptica procedente de la neurona LP. Para validar este mecanismo,
en todos los casos hemos realizado simulaciones con dinámicas forzadas de la neurona LP
con exactamente los mismos ISIs que en las simulaciones libres. En todas ellas el ritmo
trifásico se genera correctamente.
4.4.3. Resultados
Hemos efectuado una gran cantidad de simulaciones forzando la generación de poten-
ciales de acción de la neurona LP, tanto en circuitos intactos como dañados. No en todas
ellas se consigue generar el ritmo trifásico caracterı́stico del CPG pilórico, cosa que sı́ ocurre
en todas las simulaciones libres. Estas últimas se pueden ver en el estudio del origen de
las firmas (Figura 4.4), ya que los parámetros de las simulaciones son los mismos en los
dos casos. La tabla 4.2 muestra la capacidad de los circuitos utilizados de generar un ritmo
trifásico correcto. Cuando el ritmo no se genera, casos marcados como ”no”en la tabla, en
algunas ocasiones la relación de fase entre los bursts de las neuronas se invierte, en otras
éstas disparan independientemente sin ningún tipo de relación entre ellas.
El cambio en la firma de la neurona afecta al comportamiento del CPG de diferente
forma en función del tipo de distribución de probabilidad de ISIs utilizada y de la topologı́a
de la red. De todas las posibles distribuciones de probabilidad, los histogramas al primer
spike son las que generan una firma más parecida a la de las simulaciones libres. Con
estas distribuciones cada potencial de acción de la ráfaga, estadı́sticamente, ocurre en el
instante en el que deberı́a ocurrir de forma independiente al instante en que se generan
los anteriores. Esto no ocurre ni con los histogramas de ISIs ni con las distribuciones
38 Firmas neuronales individuales en el CPG pilórico
4.5. Discusión
El papel de las ráfagas de potenciales de acción en el comportamiento neuronal se ha
discutido en múltiples sistemas. Dependiendo del caso particular que se esté estudiando, se
han interpretado, por ejemplo, como estados patológicos [McCormick and Contreras, 2001],
como un mecanismo fiable de transmisión de información [Lisman, 1997] o como medios
eficaces para inducir plasticidad [Pike et al., 1999]. Tradicionalmente se han considerado
eventos unitarios. Sin embargo, de un tiempo a esta parte, se está prestando una mayor
atención al papel que puede desempeñar dentro del sistema la actividad spiking generada
dentro de ellas. Entre otras cosas, por ejemplo se está estudiando la cantidad de infor-
4.5. DISCUSIÓN 39
otro tipo de ritmo cuando se modifica la firma de una neurona del sistema. Observando
estos resultados parece que existe una correlación entre las caracterı́sticas de las firmas
neuronales y de los ritmos generados por el CPG. Este hecho también parece producirse de
forma general en otros sistemas. Estudios recientes sugieren la existencia de una relación
directa entre el número y la precisión de los spikes dentro de un bursts y las caracterı́sticas
de éste, por ejemplo su duración [Kepecs and Lisman, 2003].
Los CPGs son sistemas multifuncionales que pueden generar diferentes ritmos con la
misma estructura básica (relación de fase entre los trenes de actividad de las neuronas que
intervienen en él). Un hecho bien conocido de la topologı́a de los CPGs es la existencias de
conexiones redundantes que hacen que el sistema se comporte correctamente y de forma
estable en caso de error. Esto hace que sean capaces de controlar la actividad muscular de
una forma coordinada y robusta bajo muy diversas circunstancias. En instantes de tiempo
diferentes, aunque se conserve la fase entre sus neuronas, la frecuencia de las actividades
eléctricas de éstas puede ser distinta [Marder and Calabrese, 1996]. Hasta ahora los cambios
de frecuencia sólo se habı́an estudiado en la dinámica lenta. En el CPG pilórico estos
cambios inducen la generación de diferentes ritmos [Selverston and Moulins, 1987]. Los
resultados presentados aquı́ sugieren que la generación de diferentes firmas depende de la
dinámica individual de las neuronas y de la conectividad de la red. Recientemente se ha
demostrado que la entrada modulatoria puede modificar la dinámica de las neuronas de un
CPG [Szücs et al., 2003], ası́ como las conexiones que se establecen entre ellas. Además, se
han descubierto neuronas que controlan la estructura temporal de los potenciales de acción
generados por otras [Hunter and Milton, 2003]. Teniendo esto en cuenta, se puede pensar
que no sólo se pueden producir cambios de frecuencia en la onda lenta, sino que también
pueden darse en la dinámica rápida. Si nuestra hipótesis es cierta, el sistema nervioso podrı́a
utilizar los mecanismos descritos para generar mensajes de control codificados en las firmas
ante la llegada de ciertos estı́mulos. Aquı́ hemos visto que en los modelos un cambio en la
firma puede inducir la generación de un ritmo con la misma secuencia de activación, pero
en el que cambia la frecuencia de disparo (en las simulaciones forzadas) o la relación de fase
entre las ráfagas de potenciales de acción de cada neurona (tanto en las simulaciones libres
como en las forzadas). Esto sugiere que la firma de una neurona puede tener un significado
funcional para el CPG. Ésta es una propiedad deseable para un circuito que actúa como
controlador dinámico. Además, hay que tener en cuenta que la firma individual de alguna
de las neuronas del CPG pilórico también se ve desde fuera del CPG (Figura 4.9). Los
músculos y las neuronas externas que las reciben pueden leerlas para realizar diferentes
tareas como respuesta a las señales multifuncionales generadas por el circuito.
reconocimiento, supondrı́a que tiene una capacidad de codificar información muy superior
a lo que se pensaba hasta el momento. Aún basándose en una codificación temporal, este
código serı́a distinto de los códigos temporales estudiados hasta el momento, ya que hasta
la fecha no se ha tenido en cuenta que una neurona pueda identificar el origen de su entrada
sináptica para utilizarla en el procesamiento de la información.
Por último, una vez que conozcamos detalladamente el papel de las firmas en los sis-
temas biológicos, aplicaremos estos conocimientos al diseño de nuevos paradigmas de redes
neuronales artificiales. En este campo existen pocas aproximaciones basadas en la codifi-
cación temporal de la información. Todas ellas se suelen basar en la conectividad como
mecanismo de comunicación entre neuronas. El aprendizaje consiste en modificar los pesos
de éstas para adaptar el comportamiento de la red a los patrones con los que se entrena.
Por ejemplo, en las redes de Hopfield [Hopfield, 1982, Hopfield, 1984] todas las neuronas
están conectadas entre si. En este tipo de redes, no hay forma de identificar la neurona o
neuronas de las que procede la información recibida. Si las neuronas pudieran distinguir
al emisor de la entrada que reciben, podrı́an procesar esta entrada de forma selectiva, lo
que incrementarı́a la capacidad de la red. Nuestro objetivo será definir nuevos mecanismos
de aprendizaje y procesamiento de información basados en el reconocimiento de firmas.
Nuestra idea es definir un algoritmo de entrenamiento cuya regla de aprendizaje se base en
procesar de formas diferentes los mensajes recibidos en función de la neurona emisora de
los mismos.
∗
IN a (V ) = gN a (V )(1/(1 + exp(−0,2(V + 45))))(V − V N a ) (4.8)
∗
IK = g K (V − VK ) (4.9)
∗
IN a = g N a (V − VN a ) (4.10)
IB = gB∗ mB hB (V − VB ) (4.11)
dmB /dt = (1/(1 + exp(0,4(V + 34))) − mB )/0,05 (4.12)
dhB /dt = (1/(1 + exp(−0,55(V + 43))) − hB )/1,5 (4.13)
∗ 3
IN a(T T X) = gN a(T T X) m h(V − VN a ) (4.14)
∗ 4
IK(T EA) = gK(T EA) n (V − VK ) (4.15)
dm/dt = (1/(1 + exp(−0,4(V + 31))) − m)/0,0005 (4.16)
dh/dt = (1/(1 + exp(0,25(V + 45))) − h)/0,01 (4.17)
dn/dt = (1/(1 + exp(−0,18(V + 25))) − n)/0,015 (4.18)
∗
ICa = gCa m2Ca (V − VCa ) (4.19)
dmCa /dt = (1/(1 + exp(−0,2V )) − mCa )/0,01 (4.20)
∗ 1 1
ICa−Ca = gCa−Ca (V − VCa ) (4.21)
1 + exp(−0,06(V + 45)) 1 + exp(kβ ([Ca] − β))
Modelo de Komendantov-Kononenko
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗
gK gN a gN a (V ) gB gN a(T T X) gK(T EA) gCa gCa−Ca
Regular 0’25 0’02 0’11 0’11 400’0 10’0 1’5 0’02
Spiking 0’25 0’0231 0’11 0’1372 400’0 10’0 1’5 0’02
Spiking-bursting caótico 0’25 0’02 0’13 0’18 400’0 10’0 1’5 0’01
Modelo de Hindmarsh-Rose
µ ν I
Regular 0’0021 0’0011 2’624
Spiking-bursting caótico 0’0031 0’0003 3’128
Con estas funciones de activación e inactivación, las corrientes del axón se definen como:
IN a = gN a m3 h(t)(Vf − 50).
Siendo m = m∞ = Γ(−Vf , 40 5, 50 29), h∞ = Γ(Vf , −280 9, 50 18), y τh = 00 67(10 5 +
Γ(Vf , −140 9, 30 6))Γ(−Vf , −420 9, 10).
IKd = gKd m4 (Vf + 80).
Siendo m∞ = Γ(−Vf , −70 7, 110 8), y τm = 70 2 − 60 4Γ(−Vf , 80 3, 190 2).
ILf = gLf (Vf + 65)
IVf ,Vs = gf s (Vs − Vf )
Por su parte, las corrientes del soma están definidas por las ecuaciones:
Por último, las conductancias de los canales son: gN a = 80µS, gKd = 30µS, gLf = 00 02µS,
gf s = 00 11µS, gCa2 = 1µS, gK(Ca) = 00 25µS, gh = 20 1µS y gLs = 00 0024µS.
Con el modelo de Huerta et al. sólo se va a usar un modo de comportamiento, uno
regular que es capaz de generar una actividad, tanto lenta como rápida muy precisa. Los
parámetros para conseguir este tipo de comportamiento son los que se muestran en la
Tabla 4.3
X
IelecX = gElecY X (VX − VY ) (4.32)
Y
4.8. APÉNDICE B: MODELOS DE SINÁPSIS 47
X
IslowX = gSlowY X mSlowX (VX − Esyn ) [Golowasch et al., 1999] (4.34)
Y
siendo mSlowX :
dmSlowX k1 X(1 − mSlowX )
= − k2 X mSlowX (4.36)
dt 1 + exp(sSlow (VSlow − VAB ))
[Adrian, 1926] E. D. Adrian (1926). The impulses produced by sensory nerve endings. J.
Physiol, 61:49–72.
[Aihara and Matsumoto, 1986] K. Aihara and G. Matsumoto (1986). Chaotic oscillations
and bifurcations in squid giants axons. Chaos, pages 257–269.
[Arshavsky et al., 1985a] Y. I. Arshavsky, I.Ñ. Beloozerova, G.Ñ. Orlovsky, Y. V.
Panchin and G. A. Pavlova (1985a). Control of locomotion in marine mollusc clione
limacina. 1. Efferent activity during actual and fictitious swimming. Exp Brain Res,
58:255–262.
[Arshavsky et al., 1985b] Y. I. Arshavsky, I.Ñ. Beloozerova, G.Ñ. Orlovsky, Y. V.
Panchin and G. A. Pavlova (1985b). Control of locomotion in marine mollusc clione
limacina. 2. Rhythmic neurons of pedal ganglia. Exp Brain Res, 58:263–272.
[Arshavsky et al., 1985c] Y. I. Arshavsky, I.Ñ. Beloozerova, G.Ñ. Orlovsky, Y. V. Panchin
and G. A. Pavlova (1985c). Control of locomotion in marine mollusc clione limacina. 3.
On the origin of locomotory rhythm. Exp Brain Res, 58:273–284.
[Ayali and Harris-Warrick, 1999] A. Ayali and R. M. Harris-Warrick (1999). Monoamine
control of the pacemaker kernel and cycle frequency in the lobster pyloric network. J.
Neurosci, 19:6712–6722.
[Azouz and Gray, 1999] R. Azouz and C. M. Gray (1999). Cellular mechanisms contribut-
ing to response variability of cortical neurons in vivo. J. Neurosci., 19:2209–2223.
[Barnes, 1998] D. Barnes (1998). Hexapodal robot locomotion over uneven terrain. Pro-
ceedings of the 1998 IEEE Intl.
[Berry et al., 1997] M. J. Berry, D. K. Warland and M. Meister (1997). The structure
and precision of retinal spike trains. Proc Natl Acad Sci USA, 94:5411–5416.
[Bialek et al., 1991] W. Bialek, F. Rieke, R. de Ruyter van Steveninck and D. Warland
(1991). Reading a neural code. Science, 252:1854–1857.
[Bidaut, 1974] M. Bidaut (1974). Pharmacological dissection of pyloric network of the
lobster stomatogastric ganglion using picrotoxin. J Neurophysiol, 44:1089–1101.
[Brezina et al., 2000] V. Brezina, I. V. Orekhova and K. R. Weiss (2000). The neuro-
muscular transform: the dynamic, nonlinear link between motor neuron firing patterns
and muscle contraction in rhythmic behaviors. J Neurophysiol, 83:207–231.
49
50 BIBLIOGRAFÍA
[Chacron et al., 2001] M. J. Chacron, A. Longtin and L. Maler (2001). Negative interspike
interval correlations increase the neuronal capacity for encoding time dependent stimuli.
J. Neurosci, 21:5328–5343.
[Chi and Margoliash, 2001] Z. Chi and D. Margoliash (2001). Temporal precision and
temporal drift in brain and behavior of zebra finch song. Neuron, 32:899–910.
[Cover and Thomas, 1991] T. M. Cover and J. A. Thomas (1991). Elements of Informa-
tion Theory. Wiley and Sons.
[de Ruyter van Steveninck et al., 1997] R. de Ruyter van Steveninck, G. D. Lewen, S. P.
Strong and R. K. W. Bialek (1997). Reliability and variability in neural spike trains.
Science, 275:1805–1808.
[Dekhuijzen and Bagust, 1996] A. J. Dekhuijzen and J. Bagust (1996). Analysis of neural
bursting: nonrhythmic and rhythmic activity in isolated spinal cord. J Neurosci Methods,
67:141–147.
[Ferster and Spruston, 1995] D. Ferster and N. Spruston (1995). Cracking the neuronal
code. Science, 270:756–757.
[Fukuoka et al., 2003] Y. Fukuoka, H. Kimura and A. H. Cohen (2003). Adaptive dynamic
walking of a quadruped robot on irregular terrain based on biological concepts. The
International Journal of Robotics Research, 22 (3-4):187–202.
[Hartline and Gassier, 1979] D. K. Hartline and D. V. Gassier (1979). Pattern generation
in the lobster (panulirus) stomatogastric ganglion. Biological Cybernetics, 33:209–222.
[Hartline and Maynard, 1975] D. K. Hartline and D. M. Maynard (1975). Motor patterns
in the stomatogastric ganglion of the lobster panulirus interruptus. J. exp. Biol., 62:405–
420.
[Hayashi and Ishizuka, 1992] H. Hayashi and S. Ishizuka (1992). Chaotic nature of burst-
ing discharges in the onchidium pacemaker neuron. J. Theor. Biol., 156:269–291.
[Hindmarsh and Rose, 1984] J. L. Hindmarsh and R. M. Rose (1984). A model of neuronal
bursting using tree coupled first order differential equations. Philos Trans Royal Soc
London, B221:87–102.
[Hooper, 1997] S. L. Hooper (1997). Phase maintenance in the pyloric pattern of the
lobster (panulirus interruptus) stomatogastric ganglion. J Comput Neurosci, 4:191–205.
[Hooper and Weaver, 2000] S. L. Hooper and A. L. Weaver (2000). Motor neuron activity
is often insufficient to predict motor response. Curr Opin Neurobiol, 10:676–682.
[Hopfield, 1982] J. J. Hopfield (1982). Neural networks and physical systems with emergent
collective computational abilities. Proceedings of the National Academy of Scientists,
79:2554–2558.
52 BIBLIOGRAFÍA
[Hopfield, 1984] J. J. Hopfield (1984). Neurons with graded response have collective com-
putational properties like those of two-state neurons. Proceedings of the National Acade-
my of Scientists, 81:3088–3092.
[Hunter and Milton, 2003] J. D. Hunter and J. G. Milton (2003). Amplitude and frequen-
cy dependence of spike timing: Implications for dynamic regulation. J. Neurophysiol,
90:387–394.
[Katz et al., 1994] P. S. Katz, P. A. Getting and W.Ñ. Frost (1994). Nature, 367:729–731.
[Kepecs and Lisman, 2003] A. Kepecs and J. Lisman (2003). Information encoding and
computation with spikes and bursts. Network: Comput. Neural Syst, 14:103–118.
[Krahe and Gabbiani, 2004] R. Krahe and F. Gabbiani (2004). Burst firing in sensory
systems. Nature Reviews Neuroscience, 5:13–24.
[Latorre et al., 2004a] R. Latorre, F. B. Rodrı́guez and P. Varona (2004a). Effect of indi-
vidual spiking activity on rhythm generation of central pattern generators. Neurocomp,
58-60:535–540.
[Lisman, 1997] J. E. Lisman (1997). Busts as a unit of neural information: making unre-
liable synapses reliable. Trends Neurosci, 20:38–43.
[Marder and Calabrese, 1996] E. Marder and R. L. Calabrese (1996). Principles of rhyth-
mic motor pattern production. Physiol Rev, 76:687–717.
[Marder and Eisen, 1984] E. Marder and J. S. Eisen (1984). Transmitter identification of
pyloric neurons: electrically coupled neurons use different transmitter. J Neurophysiol,
51:1345–1361.
BIBLIOGRAFÍA 53
[Roberts and Bush, 1981] A. Roberts and B. M. H. Bush (1981). Neurones without im-
pulses. Cambridge Univ Press, Cambridge.
[Rodrı́guez et al., 2002] F. B. Rodrı́guez, R. Latorre and P. Varona (2002). Characteri-
zation of triphasic rhythms in central pattern generators (ii): Burst information analysis.
Lect. Notes Comput. Sc., 2415:167–173.
[Rodrı́guez et al., 2001] F. B. Rodrı́guez, P. Varona, R. Huerta, M. I. Rabinovich and
H. D. I. Abarbanel (2001). Richer network dynamics of intrinsically non-regular neurons
measured through mutual information. Lect. Notes Comput. Sc., 2084:490–497.
[Sanderson and Kobler, 1976] A. C. Sanderson and B. Kobler (1976). Sequential interval
histogram analysis of non-stationary neural spike trains. Biological Cybernetics, 22:61–71.
[Segundo et al., 1998] J. P. Segundo, G. Sugihara, P. Dixon, M. Stiber and L. F. Bersier
(1998). The spike trains of inhibited pacemaker neurons seen through the magnifying
glass of non linear analisys. Neuroscience, 87:741–766.
[Selverston, 1999] A. I. Selverston (1999). What invertebrate circuits have taught us about
the brain. Brain Research Bulletin, 50(5-6):439–40.
[Selverston and Moulins, 1987] A. I. Selverston and M. Moulins, editors (1987). The
Crustacean Stomatogastric System: a Model for the Study of Central Nervous System.
Springer-Verlag, Berlin Heidelberg New York London Paris Tokyo.
[Selverston and Mulloney, 1974] A. I. Selverston and B. Mulloney (1974). Organization
of the stomatogastric ganglion of the spiny lobster. ii. neurons driving the medial tooth.
J Comp Physiol, 91:33–51.
[Selverston et al., 2000] A. I. Selverston, M. I. Rabinovich, H. D. I. Abarbanel, R. Elson,
A. Szc̈s, R. D. Pinto, R. Huerta and P. Varona (2000). Reliable circuits from irregular
neurons: A dynamical approach to understand central pattern generators. J Physiol,
(Parı́s) 94:357–374.
[Shadlen and Movshon, 1999] M.Ñ. Shadlen and J. A. Movshon (1999). Synchrony un-
bound: A critical evaluation of the temporal binding hypothesis. Neuron, 24:67–77.
[Shannon, 1948] C. E. Shannon (1948). A mathematical theory of communication. Bell
Sys. Tech. J., 27:379–423 623–656.
[Softky, 1995] W. R. Softky (1995). Simple codes versus efficient codes. Curr Opin Neu-
robiol, 5:239–247.
[Stevens and Zador, 1995] C. F. Stevens and A. Zador (1995). Neural coding: The enigma
of the brain. Current Biology, 5:1370–1371.
[Strong et al., 1998] S. P. Strong, R. Koberle, R. de Ruyter van Steveninck and W.
Bialek (1998). Entropy and information in neural spike train. Physical Reveiw Letters,
80(1):197–200.
[Swensen and Marder, 2001] A. M. Swensen and E. Marder (2001). Modulators with
convergent cellular actions elicit distinct circuit outputs. J. Neurosci, 21:4050–4058.
BIBLIOGRAFÍA 55
[Theunissen and Miller, 1995] F. Theunissen and J. P. Miller (1995). Temporal encoding
in nervous systems: a rigorous definition. J Comput Neurosci, 2(2):149–162.